本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

Oct, 2022

该论文提出了一种基于半监督多任务学习的新型机器学习框架，用于电力系统动态安全评估，具有准确性、可靠性和意识到拓扑变化的特点。该框架的学习算法通过集成条件掩码编码器和采用多任务学习进行分类感知特征表示，提高了准确性和适用于更大系统的可扩展性。此外，该框架还整合了对预测的置信度度量，提高了可靠性和可解释性。该框架还引入了拓扑相似性指标，以增加对拓扑的认识。对 IEEE 68 总线系统进行了各种实验来验证所提出的方法，使用了两种不同的数据库生成技术来生成所需的训练机器学习算法的数据。结果表明，我们的算法在准确性和鲁棒性方面优于现有的基于机器学习的安全评估技术。最后，我们的工作强调了使用自动编码器进行安全评估的价值，突出了准确性、可靠性和鲁棒性的改进。所有使用的数据集和代码已公开共享，以确保可重现性和透明度。

Jul, 2024

通过将数据监督引入机器学习预测模型，我们提出了一种实时模型无关的方法，评估机器学习预测的相对可靠性，并通过针对操作数据集与训练数据集之间的差异来计算预测的相对可靠性，用以支持机器学习预测在常规插值任务中的可信度。

Aug, 2023

基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

Jul, 2023

通过分析合成电网模型和进行动力学模拟，我们证明机器学习模型能够准确预测合成电网的故障耐受概率，并展示了机器学习方法在研究电网的概率稳定性方面的潜力。

Jun, 2024

该研究提出了一个综合评估机器学习系统可靠性的方法，侧重考虑诸如敌对攻击、性能下降以及算法技术等方面的问题，并对 500 多个模型进行了分析，为未来的研究和发展提供了指导。

Jul, 2023

该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。

May, 2024

通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

Dec, 2023

本研究提出一种基于 Correlation Sampling 算法的机器学习方法，可以更好地解决电网电量计算问题，相应的神经网络结构应当考虑输入数据的相关性以及历史数据的质量和规模，与传统的 copula-based 方法相较，该算法能更广泛地覆盖采样空间。

Apr, 2022

本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

Nov, 2017